Існує ряд технологій та методологій створення штучного інтелекту. Эта статья посвящена одной из них – искусственным нейронным сетям (INS). Нижче ми представляємо конкретне введення в ІНС та огляд практичних додатків. Запрошуємо до прочитання!
Що таке штучна нейронна мережа?
Почнемо з основ. ІНС це обчислювальний інструмент, моделюючий роботу людського мозку у спрощеному вигляді (або набір простих обчислювальних одиниць, які обробляють дані, взаємодіють один з одним і працюють паралельно). Іноді термін штучні нейронні мережі також використовується для опису області, пов'язаної з побудовою та дослідженням цього типу мережі. ІНС існують вже майже 50 років, а прості мережі вже давно використовуються, наприклад, для розпізнавання рукописного введення.
Натхненням для ІНС послужило побудова природних нейронів. Цей особливий об'єкт (або проста обчислювальна одиниця) обробляє сигнали, спілкується та взаємодіє з іншими такими об'єктами. Найпростіша нейронна мережа, є одним із незалежних нейронів Мак-Каллоха-Піттса (одна з математичних моделей нейронів), називається перцептроном.
Застосування
Штучні нейронні мережі використовуються для розпізнавання та класифікації образів (присвоєння категорій зразкам), прогнозування тимчасових рядів, статистичного аналізу даних, зменшення та стиснення шуму зображення та звуку, а також у питаннях управління та автоматизації. Фахівці з розробки нейронних мереж SmartMindBox перераховують такі способи застосування:
- діагностика електронних систем;
- психіатричні обстеження;
- прогнози фондового ринку;
- прогноз продаж;
- інтерпретація біологічних досліджень;
- прогнози цін;
- аналіз медичних досліджень;
- планування ремонту техніки;
- планування успішності;
- аналіз виробничих проблем;
- оптимізація комерційної діяльності;
- спектральний аналіз;
- оптимізація утилізації відходів;
- підбір сировини;
- вибір об'єктів розслідування у криміналістиці;
- підбір співробітників;
- управління виробничими процесами.
Найпопулярніше застосування нейронних мереж в даний час:
- у програмах розпізнавання рукописного введення;
- в аеропортах для перевірки просвічуваного багажу на наявність небезпечного вантажу;
- для синтезу мови.
Чому взагалі варто цікавитись штучними нейронними мережами?
Штучні нейронні мережі часто захоплюють інженерів, у тому числі тим, що вони імітують низку досить дивовижних функцій людського мозку.
- високий рівень парелельності передачі імпульсів;
- здатність працювати з неповною, противоречивой или “зашумленной” информацией;
- малий розмір та споживання енергії;
- гнучкості дії навчання як здатності адаптації до зміни ситуації;
- висока стійкість до пошкодження та загибелі деяких клітин.
Вищезгадані особливості, в свою чергу, дають низку переваг ІНС:
- здатність вчитися на прикладах так само, як людина вчиться на досвіді;
- здатність інтерпретувати залежність та явища, неповну хибну інформацію, наприклад, в задачі апроксимації кривої даної енергетичної характеристики;
- параллельность обработки информации – особенно важно для обработки информации в реальном времени, наприклад, нейрокомп'ютери для розпізнавання мови та обробки зображень;
- низька вартість конструкції по відношенню до швидкості обробки інформації велика кількість простих (та дешевих) процесорів;
- стійкість до пошкодження систем завдяки великій кількості нейронів ІНС, буде працювати коректно навіть після втрати частини нейронів.
Як доповнення порівняємо класичний комп'ютер і так званий нейрокомп'ютер.
- Зберігання алгоритму
- Класичний комп'ютер: ROM / ОЗП
- Нейрокомп'ютер: архітектура
- Час навчання
- Класичний комп'ютер: короткий, алгоритм-залежний
- Нейрокомп'ютер: довгий, залежить від кількості компонентів та з'єднань
- Обробка
- Класичний комп'ютер: серійний
- Нейрокомп'ютер: паралельний
- Евристичні здібності
- Класичний комп'ютер: слабкий
- Нейрокомп'ютер: дуже добре
- Розпізнавання зображень
- Класичний комп'ютер: середнє
- Нейромп'ютер: швидкий, дуже хороший
- Пошук наборів даних
- Класичний комп'ютер: повільний, точна відповідність
- Нейромп'ютер: швидке, приблизний збіг
Типи нейронних мереж
Загальною рисою нейронних мереж є те, що їх структура складається з нейронів, пов'язаних між собою. Однак ІНС можуть різнитися у багатьох відношеннях, таких як топологія (архітектура) та методи навчання. ІНС можуть навчатися двома способами:
- Обучение с учителем – этот подход использует обучающие наборы, вхідні та вихідні дані. Під час навчання мережа налаштовує вагу, щоб мінімізувати різницю між очікуваним і засвоєним.
- Обучение без учителя – здесь сеть учится анализируя данные. В результаті навчання мережа ділиться на класи та категорії.